第四章基于视频图像处理的能见度榆测方法研究 (c)07：35：24 (d)07：55：24 图4—13视频图像提取的4幅背景图像的检测结果图 由图4—13可以看出，随着时间的推移，能见度慢慢变大，而最远可视点的检测结 果也随着时间的推移慢慢变远，与实际的能见度变化特征相吻合。 为了进一步验证试验结果，我们将最远可视点转换为能见度值与目测能见度相比 较，进一步验证算法可行性和准确性。由于实验室试验条件的限制，如果租用能见度仪 来检测能见度，费用太过昂贵。我们通过人眼目测出能够看到的最远点，然后进行实际 测量，获取目测能见度，与检测出的能见度相比较。 根据第三章能见度图像距离转换模型，将图4—13中的最远可视点对应的能见度转 换出来，与目测能见度相比较，结果如表4—1所示。从早上06：30：02到07：55：24，由天 气图像的变化过程，可以看到能见度在逐渐变大。由实验数据的变化可以看出，实验结 果与实际情况变化也相符。 表4—1能见度检测结果 图像 a b C d 目测能见度(m) 53．0 55．0 59．0 67 检测能见度(m) 45．2 46．8 50．6 59．7 绝对误差(m) 7．8 8．2 8．4 7．3 相对误差 14．7％ 14．9％ 14．2％ 10．9％ 对于非雾天情况下，实验中选取2幅图像进行能见度检测，此时能见度值较大。实 验中，本文只获取非雾天下的最远可视点，如图4—14所示。对于非雾天的最远可视点 的检测，本文采用基于逐行对比度的检测算法，利用该方法检测出天空与道路的交接点 作为最远可视点。由检测结果可以看出，最远可视点的检测结果与实际基本相符。 47

MATLAB视频去雾，多算法去雾实现，暗通道，直方图，Retinex算法等

CVPR 2019挑战赛Dense_Haze_NTIRE19 浓雾去雾数据集，含55张雾图像与对应的Ground Truth。CVPR 2019挑战赛Dense_Haze_NTIRE19 浓雾去雾数据集，含55张雾图像与对应的Ground Truth。CVPR 2019挑战赛Dense_Haze_NTIRE19 浓雾去雾数据集，含55张雾图像与对应的Ground Truth。CVPR 2019挑战赛Dense_Haze_NTIRE19 浓雾去雾数据集，含55张雾图像与对应的Ground Truth。

CVPR 2022 Image Dehazing Transformer with Transmission-Aware 3D Position Embedding 源代码，很有学习价值，大佬任文琦团队的最新去雾杰作，从3D定位的角度去思考去雾。CVPR 2022 Image Dehazing Transformer with Transmission-Aware 3D Position Embedding 源代码，很有学习价值，大佬任文琦团队的最新去雾杰作，从3D定位的角度去思考去雾。CVPR 2022 Image Dehazing Transformer with Transmission-Aware 3D Position Embedding 源代码，很有学习价值，大佬任文琦团队的最新去雾杰作，从3D定位的角度去思考去雾。

基于暗通道优先算法的去雾应用Matlab

针对当前去雾算法经常出现过度曝光、颜色失真等问题,提出了一种基于全卷积回归网络的去雾算法。该回归网络基于端到端系统,由特征提取和特征融合两部分构成。首先,输入有雾图像,经过特征提取和特征融合,最终回归为粗透射率图;之后使用导向滤波对其进行优化,再利用大气物理散射模型反演出无雾图像;最终采用限制对比度自适应直方图均衡化(CLAHE)对无雾图像进行增强,以得到更符合人类视觉的清晰图像。所提算法不仅可以有效避免去雾后出现的过度曝光和颜色失真等问题,而且能保留图像完整的细节信息,具有较好的去雾效果。

图像处理案例，本程序用matlab语言实现基于直方图优化的图像去雾技术功能。

C# 操作200M以上的大图片 实现图片加雾效果，使用opencv技术 内附详细说明和所需库文件 适合研究GIS方向的开发人员借鉴...

以过境时间不同的NOAA-16/AVHRR、NOAA-17/AVHRR、FY1-D/MVRIS、TERRA/MODIS和AQUA/MODIS五种遥感影像数据组成一组序列影像，对发生在湖北省2005年2月4日的辐射雾进行了一次变化检测与分析。经地面验证，序列影像数据在雾变化检测的研究方面具有很大的潜力，检测结果动态地显示了该次大雾的形成、发展、稳定、消散的过程。将检测结果与该区域的DEM和水系矢量图结合分析发现，二者在辐射雾的变化发展过程中起着非常重要的作用。

深度图(jpg)+RGB图（jpg）合成有雾数据python代码，使用大气散光模型，设定可见度等参数，引导滤波。